中文摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第11-18页 |
1.1 引言 | 第11-12页 |
1.2 课题的研究背景及意义 | 第12页 |
1.3 国内外研究综述 | 第12-15页 |
1.3.1 基于人工神经网络的股价预测的发展现状 | 第12-13页 |
1.3.2 改进前向神经网络学习算法的研究现状及趋势 | 第13-14页 |
1.3.3 杂草算法研究现状 | 第14-15页 |
1.4 本文的内容组织结构 | 第15-18页 |
第二章 前向神经网络的学习算法 | 第18-37页 |
2.1 引言 | 第18页 |
2.2 BP神经网络学习算法 | 第18-22页 |
2.2.1 BP算法的原理分析 | 第18-21页 |
2.2.2 BP算法的程序实现 | 第21-22页 |
2.3 BP学习算法的缺陷及其改进算法 | 第22-23页 |
2.4 智能学习算法优化前向神经网络学习算法 | 第23页 |
2.5 入侵杂草优化算法 | 第23-27页 |
2.5.1 杂草生态学 | 第23-24页 |
2.5.2 入侵杂草优化算法 | 第24-26页 |
2.5.3 IWO算法的全局收敛性 | 第26-27页 |
2.6 差分进化算法 | 第27-32页 |
2.6.1 基本差分进化算法 | 第27-29页 |
2.6.2 差分进化算法流程 | 第29-30页 |
2.6.3 差分进化算法特点 | 第30页 |
2.6.4 DE算法扩展模式 | 第30-32页 |
2.6.5 DE算法参数介绍 | 第32页 |
2.7 复合形法 | 第32-36页 |
2.8 本章小结 | 第36-37页 |
第三章 基于入侵杂草算法的神经网络学习算法 | 第37-47页 |
3.1 引言 | 第37页 |
3.2 前向神经网络的基本原理 | 第37-38页 |
3.3 基于IWO算法的神经网络学习算法 | 第38-40页 |
3.3.1 IWO算法训练神经网络的可行性 | 第38页 |
3.3.2 IWO算法训练神经网络的优点 | 第38-39页 |
3.3.3 基于IWO算法训练神经网络的基本方法 | 第39页 |
3.3.4 基于IWO算法训练神经网络的步骤 | 第39-40页 |
3.4 基于CIWO算法的神经网络学习算法 | 第40-43页 |
3.4.1 复合形入侵杂草算法 | 第40-42页 |
3.4.2 CIWO算法训练神经网络的基本思想 | 第42页 |
3.4.3 CIWO算法训练神经网络的步骤 | 第42-43页 |
3.5 基于DEIWO算法的神经网络学习算法 | 第43-45页 |
3.5.1 基于差分进化的入侵杂草算法 | 第43-45页 |
3.5.2 DEIWO算法训练神经网络的基本思想 | 第45页 |
3.5.3 DEIWO算法训练神经网络的步骤 | 第45页 |
3.6 本章小结 | 第45-47页 |
第四章 基于入侵杂草算法的神经网络预测模型的建立 | 第47-55页 |
4.1 基于入侵杂草算法的神经网络预测模型的基本思想 | 第47-48页 |
4.2 神经网络用于预测的基本步骤 | 第48-49页 |
4.3 基于入侵杂草算法的神经网络预测模型 | 第49-54页 |
4.3.1 网络结构的设计 | 第49-50页 |
4.3.2 预测模型的数据问题 | 第50-53页 |
4.3.3 预测模型的建立 | 第53-54页 |
4.4 本章小结 | 第54-55页 |
第五章 预测模型的应用 | 第55-69页 |
5.1 引言 | 第55-56页 |
5.2 基于入侵杂草算法神经网络进行股票预测的实现 | 第56-68页 |
5.2.1 入侵杂草优化算法神经网络用于股票预测的基本步骤 | 第56-57页 |
5.2.2 原始数据选取 | 第57-58页 |
5.2.3 基于IWO算法的预测模型建立及结果分析 | 第58-60页 |
5.2.4 基于CIWO算法的预测模型建立及结果分析 | 第60-62页 |
5.2.5 基于DEIWO算法的预测模型建立及结果分析 | 第62-64页 |
5.2.6 几种预测模型预测结果的比较分析 | 第64-68页 |
5.3 本章小结 | 第68-69页 |
第六章 总结与展望 | 第69-71页 |
6.1 总结 | 第69页 |
6.2 展望 | 第69-71页 |
参考文献 | 第71-75页 |
攻读硕士学位期间发表学术论文情况 | 第75-76页 |
致谢 | 第76-77页 |
作者简介 | 第77-78页 |